摘要：针对轴承早期微弱故障的预测问题,提出将样本熵和变分模态分解法结合的方法。首先计算主轴轴承振动信号的样本熵值,构成轴承健康状态时间序列;其次K从2~10分别取值,对轴承健康状态时间序列进行变分模态分解,得到不同的IMF分量,分别将不同K值分解下低频分量作为轴承振动信号的趋势项;最后根据互相关性、峭度、方差准则,找到最优的轴承振动信号的趋势项,并与已有指标对比。实例验证:将样本熵和变分模态分解法结合,提取轴承振动信号的趋势项,能够更早地预测出轴承早期微弱故障。

摘要：轴流压气机作为燃气轮机安全运行的重要设备装置,它的稳定性直接影响燃气轮机的输出效率。因此如何快速准确判断并及时规避轴流压气机的喘振工况是燃气轮机优化设计的重点。本文提出一种基于轴流压气机已有传感器处理提取特征值后对喘振工况进行判断的新方法。首先对压气机的一维传感信号进行EMD分解升维后进行数据降维至数据本质维数上,再利用样本熵处理后提取特征信号从而对喘振工况进行判定。基于三级轴流压气机喘振进行喘振的诱导试验,实现压气机的喘振工况并且利用EMD-样本熵的方法对压气机的级间压力、出口压力进行分析对比。试验结果表明,此方法提取的特征值可以有效区分出压气机正常与喘振的工况,验证了方法的可行性,为轴流轴流机的故障预测提供基础。

摘要：针对脑电信号(electroencephalogram,EEG)运动想象中单一特征无法多维表征信号中的信息导致的分类准确率不高的问题,提出一种基于样本熵和共空间模式特征融合的特征提取算法。算法先对原始脑电信号进行小波包分解,从中选择包含μ和β节律的分量进行重构,然后分别提取重构信号的样本熵和CSP(common spatial pattern,CSP)特征,将两者融合组成新的特征向量,使用所设计的一维卷积神经网络对其进行识别获得分类结果。所提方法在2003年BCI Dataset III中获得了91.66%的分类准确率,在2008年BCI Dataset A中获得了85.29%的平均分类准确率。与近年来文献中提出的多特征融合算法相比,准确率提高了7.96个百分点。

摘要：车辆悬架减振器异响严重削弱了车内声品质,针对该异响问题设计并开展了不同路况条件下的整车道路试验,对采集到的车内噪声信号分别计算A计权声压级与心理声学客观参量(响度、尖锐度、语音清晰度、抖动度和粗糙度)以提取减振器异响特征信息,并将其与主观评价进行了相关分析。另一方面,再引入小波包分解与样本熵的概念,对减振器异响特征信息进行了有效地提取,同时提出基于Adaboost的极限学习机(ELM)算法,建立了减振器异响声品质预测改进模型,并将其与支持向量机(Support Vector Machine,SVM)、广义神经网络(Generalized Regression Neural Network,GRNN)进行对比。研究结果表明:传统的A计权声压与心理声学指标不能有效地用于减振器异响声品质预测而结合小波包样本熵提取的异响特征与ELM-Adaboost算法能有效地对减振器异响声品质进行预测,并且效果优于SVM与GRNN。

摘要：提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机（SVM）算法实现分类器的方法.7位年龄在20-30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试．数据分析结果显示：样本熵分类法对注意任务相关脑电信号分类的正确率可达85．5％，优于传统频段能量法获得的分类精度（77．9％）．这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息，因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用．

摘要：为了减少现行桥梁检测中所需布置传感器数量,将小波包分解和样本熵有机结合起来,对利用单点动力响应数据检测识别连续梁桥结构损伤的新方法进行了研究,笔者提出了连续梁桥结构的损伤识别指标和方法。利用小波包变换对移动荷载作用下桥梁的加速度响应进行分解和重构,计算重构信号的样本熵值,建立了对数加速度能量差小波包样本熵损伤识别指标;并通过三跨变截面连续梁桥的动力仿真分析,验证了指标和方法的适用性与噪声鲁棒性。研究结果表明,笔者所提出指标和方法仅利用桥上一个测点的加速度响应就能够很好地识别连续梁桥的损伤位置和损伤程度,且对噪声不敏感。

摘要：为了提高破碎机筒体容易产生多种非线性振动信号扛干扰能力,设计了一种基于多元经验模态分解(MEMD)和样本熵(SE)算法的破碎机负荷振动信号识别方法。采用MEMD算法分解噪声信号,计算不同IMF分量相关程度及有效IMF分量SE,完成破碎机负荷精确判断。研究结果表明:在初始波形中形成明显噪声,采用MEMD算法几乎所有高频噪声信号都被去除,获得的重构信号幅度跟总体趋势相近,具有优异的球破碎机振动信号预处理效果。提高相似容限时形成了明显的重叠现象,不同负荷状态获得了更高相似度。当设定25个隐含层神经元并且选择sin函数作为激活函数时识别模型达到了最高准确率,可以准确识别过负荷特征,明显高于EMD-样本熵和MEEMD-样本熵对于过负荷的识别准确率。

摘要：针对焊接稳定性定量评定困难的特点,提出了一种基于电流样本熵的焊接稳定性评定方法.随着电信号稳定性降低,样本熵均值变大,样本熵标准差也变大,选用样本熵的均值与标准差的乘积来量化焊接稳定性.讨论了嵌入维数、给定阈值和样本长度对样本熵的影响,对于研究的脉冲MIG焊电流信号,当m=2,r=0.08,N=2000时,样本熵分布合理,计算所耗时间较小.最后做了三组脉冲MIG焊对比试验.结果表明,通过样本熵的均值与标准差的乘积评定的焊接稳定性与实际焊缝质量效果吻合;在相同给定电流下,样本熵的均值与标准差的乘积越大,焊接稳定性越差.

摘要：针对表面肌电信号非线性、噪声强等特点，设计一种快速有效的表面肌电信号手部多运动模式识别方法，用于肌电假手的实时控制。提出了一种基于经验模态分解样本熵和聚类分析的表面肌电信号多运动模式识别方法。该方法对动作持续阶段的信号首先进行经验模态分解，将其分解为多个平稳的固有模态函数（ IMF），再依据频率有效度选取若干个包含肌电信号有效信息的IMF分量求和后，计算其样本熵。以尺侧腕伸肌和尺侧腕屈肌两路肌电信号对应的EMD样本熵作为特征向量，设计了主轴核聚类算法的聚类分类器进行模式识别。成功识别了展拳、握拳、腕上翻和腕下翻4种动作，平均识别率达到93%。该方法取得了较高的识别率，抗干扰能力强，计算量少，可用于肌电假手的控制。

摘要：无抽搐电休克治疗(Modified Electroconvulsive Therapy,MECT)是精神障碍疾病临床治疗的方法之一,有效的脑电信号量化参数有助于认识MECT的治疗效果和进行临床规划。该文针对MECT期间精神障碍患者单通道脑电信号进行分析,利用离散小波变换将脑电信号分解到不同频段,采用样本熵分析MECT过程中诱导的人工癫痫充分发作后和非充分发作后各频段脑电信号的复杂度。实验和分析结果表明,接受MECT的精神障碍患者经诱导人工癫痫充分发作后的额叶皮层脑电信号小波系数A4、D4和D3的样本熵值显著小于非充分发作后对应样本熵值,表明癫痫充分发作可以有效增加脑电信号的规律性,降低脑电信号的复杂程度。利用t检验对结果进行分析,证明了该方法的可行性和准确性,其将为MECT治疗的疗效评估和临床规划提供有效的量化指标。